📚 量化学习体系
从零到独立策略开发的完整路线，33 节课，7 个章节。线性推进，学完一节自动解锁下一节。
🚀 快速开始
如果你是第一天接触量化，从第一章开始：
📖 学习路线总览
第一章：出发
30分钟从零到画出第一张K线图。不用懂任何金融知识。
学完能干什么： 装好 Python，拿到真实股票数据，画出人生第一张 K 线图。🎉
第二章：金融扫盲
在写量化代码之前，先理解金融市场在交易什么、怎么交易。
学完能干什么： 看懂股票、期货、期权的区别，理解钱的时间价值和风险的含义。
第三章：数学工具箱
跟 MIT 18.S096 课程路线走，每个理论都有量化案例。共 10 节 + 1 节路线图。
- 3.0 MIT路线图 — 怎么配合 MIT 视频课使用
- 3.1 线性代数 — 向量、矩阵与 Python 向量化
- 3.2 概率与蒙特卡洛 — 随机变量、蒙特卡洛模拟
- 3.3 矩阵分解 — SVD、PCA 在因子模型中的应用
- 3.4 随机过程 — 随机游走、布朗运动、伊藤引理
- 3.5 回归分析 — 最小二乘法、多重共线性
- 3.6 VaR与商品 — 风险价值、商品期货定价
- 3.7 时间序列 — ARIMA、协整、波动率聚集
- 3.8 波动率建模 — ARCH、GARCH 模型
- 3.9 正则化模型 — Ridge、Lasso、弹性网
- 3.10 组合理论 — 有效前沿、Black-Litterman
第四章：量化编程速成
从 Python 数据处理到完整的回测框架。4 节速成，只讲量化必需的。
- 4.1 NumPy/Pandas — 向量化、DataFrame、金融数据
- 4.2 数据获取与清洗 — yfinance、数据清洗、对齐
- 4.3 可视化 — K线图、技术指标、净值曲线
- 4.4 回测骨架 — 事件驱动回测引擎原型
第五章：经典策略
四个最经典的量化策略类型，每个都有完整的回测作业。
第六章：机器学习因子
可解释的 ML 因子，从特征工程到模型诊断。不是黑箱预测，是更聪明的因子挖掘。
- 6.1 特征工程 — 技术指标、交叉特征、滚动统计
- 6.2 XGBoost — 树模型在因子排序中的应用
- 6.3 LSTM — 时序深度学习与注意力
- 6.4 过拟合与诊断 — 回测过拟合、交叉验证、稳健性
第七章：实战冲刺
从回测到实盘，把前 6 章的知识整合成可运行的量化系统。
- 7.1 数据源与API — 实时数据、历史数据、券商API
- 7.2 资金管理 — Kelly公式、风险预算、交易成本
- 7.3 毕业设计 — 从零构建一个完整的量化策略系统
🎯 学习建议
| 如果你 | 建议路线 |
|---|---|
| 完全零基础 | 第 1 → 2 → 3 → 4 → 5 → 6 → 7 章，按顺序来 |
| 有编程基础但金融零基础 | 第 2 → 3 → 5 章是重点 |
| 有金融背景但不会编程 | 第 1 → 4 章速成后进第 5 章 |
| 只想看策略 | 直接从第 5 章开始，用到什么补什么 |
欢迎来到 Quant Learning
加载进度中...